7.1 又见函数

7.2 被解放的函数

7.3 小女子的梳妆匣

7.4 高阶函数

7.5自上而下

.又见函数

。Python中的函数式

函数编程的本质在于封装

函数式编程强调了函数的纯粹性，一个纯函数是没有副作用的，即这个函数的运行不会影响其他函数，函数的效果控制在内部，从而不影响程序的其他部分。（但若使用可变更对象则会造成副作用，eg:list,dict)，为了达到纯函数的标准，函数式编程要求其变量都是不可变更的。

Python不是完全的函数式编程语言，Python中存在着可变更的对象，也能写出非纯函数，由于纯函数相互独立，不用担心函数调用对其他函数的影响。在并行化编程时，经常要担心不同进程之间相互干扰的问题，如下：

global说明了x是一个全局变量，函数的全局变量的修改能被其他数函数看到，函数的执行顺序不确定，结果可能是20或30，这被称为竞跑条件。这是并行编程中需要极力避免的。函数式编程消灭了副作用，也就消除了竞跑条件的可能。函数式编程思路是自上而下的，它先提出一个大问题，在最高层用一个函数来解决这个大问题，在这个函数内部，再用其他函数来解决小问题，在这样递归式的分解下，直到问题得到解决。

。并行运算

并行运算是指多条指令同时执行。

串行运算是指每次执行一条指令的工作方式。

大规模并行运算通常是在有多个主机组成的集群上进行的，集群上的多进程分布在不同的主机

可以在单机上通过多进程或多线程的方式，模拟多主机的并行处理，比如说计算机在并行地进行上网和放音乐两个任务，事实上。单机处理器按照“分时复用"的方式，把运算能力分配给多个进程,处理器就在进程间频繁切换。因此即使处理器同一时间只能处理一个指令，但通过在进程间的切换，也能造成多个进程齐头并进的效果。单机的多进程存在于同一主机，并借着“分时复用”来实现并行。

多进程和多线程：一个程序运行后就成为一个进程，有自己的内存空间，但在一个进程内部，又可以有多个称为“线程”的任务，处理器可以在多个线程之间切换，从而形成并行的多线程处理，但线程之间可以共享同一个进程的内存空间。

.被解放的函数

。函数作为参数和返回值

。函数作为返回值

函数对象有存活范围，就是函数对象的作用域，我们在line_conf()函数的隶属范围内定义的函数line()只能在line_conf()的隶属范围内调用。如下：

在line_conf()中可以调用line()函数，在作用域之外调用line()函数将会报错，说明这已经超出了函line()的作用域，Python对该函数的调用失败。

。闭包

闭包：是一个包含有环境变量取值的函数对象

闭包可以提高代码的可复用性

除了复用代码，闭包还能起到减少函数参数的作用，如下：

.小女子的梳妆匣

。装饰器

装饰器从操作上入手，为函数增加额外的指令，装饰器最初只用于函数，在python2.6以及之后的python版本中，装饰器被进一步用于类。从本质上，装饰器起到的作用就是名称绑定，让同一个变量名指向一个新返回的函数对象，从而达到修改函数对象的目的。我们可以改用装饰器，定义功能拓展本身，再把装饰器用于两个函数。

通过@语法使用装饰器，在函数square_sum()和square_diff定义之前调用@decorator_demo，实际上是将square_sum()或square_diff()传递给了decorator_demo(),并将decorator_demo()返回的新的函数对象赋给原来的函数名square_sum()和square_diff()

。带参装饰器

上面的pre_str是一个带参装饰器，它实际上是对原有装饰器的一个函数封装，并返回一个装饰器，可以将其理解为一个含有环境变量的闭包，但我们使用@pre_str("%")调用的时候，Python能够发现这一层的封装，并把参数传递到装饰器的环境中。

。装饰类

.高阶函数

高阶函数：能接受其他函数作为参数的函数

lambda   :用来定义匿名函数

map(函数对象，可循环对象）：把接收到的函数对象依次作用于每一个元素

filter函数：内置函数的filter的第一个参数是一个函数对象，将这个函数对象作用于可循环对象的多个元素。如果函数对象返回的True,则该次的元素被放到返回的迭代器中，也就是说，filter()通过调用函数来筛选数据。

reduce函数：reduce()函数的第一个参数是函数，但reduce()对作为参数的函数对象有一个特殊要求，就是这个作为参数的函数必须能接收两个参数，reduce()可以把函数对象累进的作用作用于各个参数

.自上而下

。便捷表达式

。懒惰求值

迭代器的元素是实时计算出来的，在使用该元素之前，元素并不会占据内存空间，与之相对应，列表在建立时就已经产生了各个元素的值。并保存在内存中，迭代器的工作方式正是函数式编程中的懒惰求值。我们可以对迭代器进行各种各样的操作，但只有在需要时迭代器才会计算出具体的值。懒惰求职可以最小化计算机要做的工作。

。itertools包

标准库中的itertools包提供了很多迭代器

#引入itertools

from itertools import *

常见的生成器：

count(5， 2） #从5开始的整数迭代器，每次增加2，即5， 7， 9，11...

cycle("abc")  #重复序列的元素，即a, b, c, a, b, c...

repeat(1.2)    #重复1.2，构成无穷迭代器

repeat(10, 5) #重复10，共重复5次

此外，还可组合 旧的迭代器，来生成新的迭代器

chain([1, 2, 3], [4, 5, 7])   #连接两个迭代器成为一个

product("abc", [1, 2})     #多个迭代器集合的笛卡儿积，相当于嵌套循环

itertools包中还提供了许多有用的高阶函数：

starmap(pow, [(1, 1), (2, 2), (3, 3)])   #pow将依次作用于表的每个tuple

takewhile(lambda x: x < 5,[1, 3, 6, 7, 1])  #当函数返回True时，收集元素到迭代器，一旦函数返                                                                  # 回False,则停止。 1，3

dropwhile(lambda x: x < 5,[1, 3, 6, 7, 1])  #当函数返回False时，跳过元素，一旦函数返回                                                                             #True，则开始收集剩下的所有元素到迭代器

groupby()    #能将一个key()函数作用于原迭代器的各个元素，从而获得各个函数的键值，函                            # 数groupby()分出的组放在一个迭代器中返回

代码地址：https://gitee.com/mabingqi/learn_programming_from_python/tree/master/